Uji Kestasioneran Data dengan Analisis Grafik Uji Kestasioneran Data dengan Uji Akar Unit

kritis pada derajat kepercayaan tertentu atau nilai tingkat signifikansinya lebih kecil dari derajat kepercayaan = 0,05, maka hipotesis nol yang menyatakan bahwa data tersebut tidak stasioner ditolak dan demikian sebaliknya Wei, 2006.

2.6 Kriteria Kebaikan Model

Dalam melakukan peramalan, ada beberapa metode yang digunakan untuk mencari ramalannya. Sebuah model dengan galat peramaln terkecil tentunya akan dipilih untuk melakukan predisi di masa mendatang. Besarnya galat tersbut dapat dihitung melalui ukuran galat peramalan, sebagai berikut:

2.6.1 Mean Absolute Deviation MAD

Simpangan rata-rata MAD mengukur akurasi peramalan dengan meratakan nilai absolut galat peramalan. Nilai galat diukur dalam unit yang sama seperti pada data aslinya. = 1 − 2.12 Dimana: = banyaknya data yang diamati = peramalan − = data ke − t Makridakis, dkk., 1999

2.6.2 Mean Absolut Percentage Error MAPE

MAPE digunakan untuk melakukan perhitungan perbedaan antara data asli dan data hasil peramalan. Perbedaan tersebut diabsolutkan, kemudian dihitung ke dalam bentuk persentase terhadap data asli. Hasil persentase tersebut kemudian didapatkan nilai mean-nya. Suatu model mempunyai kinerja sangat bagus jika nilai MAPE berada di bawah 10, dan mempunyai kinerja bagus jika nilai MAPE berada di antara 10 dan 20 . Adapun diberikan persamaan untuk menghitung MAPE yaitu : = | | 2.13 Dimana : kesalahan persentase : × 100 : data aktual periode : jumlah data Zainun, 2003.

2.6.3 Mean Squared Deviation MSD Atau Mean Squared Error MSE

Mean Square Error merupakan salah satu metode yang digunakan untuk menganalisis atau mengukur kesalahan metode peramalan. Pada metode ini hampir mirip dengan metode MAD, rumus MSE adalah = 1 − 2.14 Dimana: = banyaknya data yang diamati = peramalan − = data − t

2.7 Metode Box-Jenkins ARIMA

Model ARIMA dipelajari secara mendalam oleh George Box dan Gwilym Jenkins, dan nama mereka sering disinonimkan dengan proses ARIMA yang ditetapkan untuk analisis deret waktu, peramalan, dan pengendalian. Model autoregressive AR pertama kali diperkenalkan oleh Yule dan kemudian dikembangkan oleh Walker, sedangkan model moving average MA pertama kali digunakan oleh Slutzky. Akan tetapi Wold-lah yang menghasilkan dasar-dasar teoritis dari proses kombinasi ARMA. Wold membentuk model ARMA yang dikembangkan pada tiga arah yaitu identifikasi, efisiensi, dan prosedur penafsiran untuk proses AR, MA, dan ARMA. Perluasan hasil tersebut untuk mencakup deret waktu musiman dan pengembangan sederhana yang mencakup proses- proses non stasioner ARIMA. Box dan Jenkins secara efektif telah berhasil mencapai kesepakatan mengenai informasi relevan yang diperlukan untuk memahami dan memakai model-model ARIMA. Metode ARIMA berbeda dengan metode peramalan lain karena metode ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja dengan baik. Metode ARIMA akan bekerja dengan baik apabila data deret berkala yang dipergunakan bersifat dependen atau berhubungan satu sama lain secara statistik Makridakis dkk, 1999.

2.7.1. Model Autoregressive ARp

Model autoregressive AR merupakan regresi deret terhadap amatan waktu sebelumnya dari dirinya sendiri, untuk = 1, 2, . . . , . Banyaknya nilai sebelumnya yang digunakan oleh model sebanyak p menentukan tingkat model ini. Bentuk umum model autoregressive ARp adalah: = + + + + 2.15 Keterangan: : variabel yang diamati dengan = 1,2, … : Konstanta autoregressive , …, : parameter , …, : white noise Enders, 1948.

2.7.2. Model Moving Average MAq

Pada model moving average, yang menjadi variabel bebasnya adalah nilai residual lampau . Tingkat proses pada model moving average dengan ordo , atau disebut MAq, ditentukan oleh jumlah periode variabel bebas yang terdapat pada model. Bentuk umum model moving average MAq adalah: = − − − − 2.16 Berlaku, = + + + + 1 + + + + untuk = 1,2, …, 2.17 = 0, untuk ≥ + 1 Box, 1976.

2.7.3. Model Autoregressive dan Moving-Average ARMA

, ARMA , merupakan suatu model yang terdiri atas gabungan proses regresi diri ordo dan rataan bergerak ordo Enders, 1948. Bentuk umum model ARMA , adalah sebagai berikut: = + + + + + + 2.18

2.7.4. Seasonal ARIMA SARIMA

Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol. Autokorelasi yang secara signifikan berbeda dari nol

Dokumen yang terkait

Prediksi Jumlah Permintaan Barang Musiman Menggunakan Metode Holt-winters

11 64 104

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

1 67 51

Analisis peramalan pendaftaran siswa baru menggunakan metode seasonal arima dan metode dekomposisi: studi kasus lembaga bimbingan belajar SSC Bintaro

9 57 94

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 12

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

1 1 2

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 8

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 6

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 1

Perbandingan Hasil Peramalan Penjualan Tas Planet Ocean PT. Delimas Lestari Kencana dengan Metode Pemulusan Eksponensial Ganda Holt dan Metode Holt-Winters

0 0 2

2.1 Teknik Peramalan - Prediksi Jumlah Permintaan Barang Musiman Menggunakan Metode Holt-winters

0 2 22